Dashboard Practical

---
title: "Dashboard Practical"
output: 
  flexdashboard::flex_dashboard:
    vertical_layout: fill
    theme: lumen
    source_code: embed
    social: ["twitter", "facebook"]
---

```{r setup, include=FALSE}
# Lade Pakete
library(flexdashboard)
library(tidyverse)
library(plotly)
library(leaflet)
library(viridis)
library(htmltools)
library(patchwork)

airbnb <- read_csv("1_Data/airbnb.csv")
```

Übersicht der Airbnbs in Berlin {data-orientation=rows}
======================================================================

Zeile {data-height = 400}
----------------------------------------------------------------------

### Superhosts

```{r}
# berechne die Anzahl Superhosts im airbnb Datensatz
n_superhosts <- sum(airbnb$Host_superhost)

# Erstelle valueBox
         # Setze die oben berechnete Summe ein
valueBox(n_superhosts,
         # Definiere "Superhost" als Titel. Der HTML code
         # vergrössert die Schrift und setzt die Schriftfarbe
         # auf weiss
         caption = "Superhost",
         # Wähle eine Medallie als Icon
         icon = "fa-medal",
         # Definiere die Färbung der valueBox (hier das Airbnb grün)
         color = "#008489")
```

### Allstar

```{r}
# Berechne die Anzahl allstars, mit ausschliesslich top ratings
allstar <- airbnb %>% 
  # Rating_gesamt ist von 0 bis 100 -> reskaliere auf 0 bis 10
  mutate(Rating_gesamt = Rating_gesamt / 10) %>% 
  # Behalte ausschliessliche Spalten mit Ratings
  select(starts_with("Rating")) %>% 
  # Berechne die Mittelwerte jeder Zeile über alle Spalten
  mutate(Ratings_m = rowMeans(.)) %>% 
  # Behalte nur die Zeilen mit Mittelwert 10 (Maximum Rating)
  filter(Ratings_m == 10) %>% 
  # Zähle die Anzahl verbliebener Zeilen
  summarise(n())

valueBox(allstar, caption = "Allstar",
         icon = "fa-gem", color = "#f5d142")
```

### Preiswert

```{r}
# Berechne die Anzahl preiswerter Airbnbs
preiswert <- sum(airbnb$Preis < 100)
valueBox(preiswert,
         caption = "Preiswert",
         icon = "fa-money-bill-wave", color = "#85a95d")
```

Zeile
----------------------------------------------------------------------

```{r fig.width=14.75, fig.height=5.65}

# Erstelle neue Variable für die Labels
airbnb %>% 
  # Erstelle Plot
  leaflet() %>% 
  # Setze Anfangskoordinaten und Zoomwert
  setView(lng = 13.40439, lat = 52.51128, zoom = 12) %>% 
  # Zeichne Karte
  addTiles() %>%
  # Füge Marker hinzu
  addCircleMarkers(
    lng = ~Längengrad,
    lat = ~Breitengrad,
    radius = 4,
    stroke = FALSE, fillOpacity = 0.5
  )

```



Entwicklung über Zeit {data-orientation=columns}
======================================================================


Spalte {data-width = 800}
----------------------------------------------------------------------

### Entwicklung der Berliner Airbnbs seit 2009

```{r fig.width=12, fig.height=7}

### Plot zum Verlauf über die Zeit

# Anzahl Stadtteile
n_stadtteile <- length(unique(airbnb$Stadtteil))
# Definiere n_stadtteile verschiedene Farben aus der viridis palette
farben <- viridis(n_stadtteile)

# Passe den Datensatz an
Verlauf <- airbnb %>%
  # Gruppiere über Stadtteile
  group_by(Stadtteil) %>%
  # Ordne Zeilen Aufsteigend nach Erstellungsdatum 
  arrange(Erstellungsdatum) %>%
  # Erstelle neue Variablen Datum und Kumulativ,
  # letztere als 10er Logarithmus der Anzahl Airbnbs
  mutate(Datum = Erstellungsdatum,
         Kumulativ = log10(1:n())) %>%
  # Erstelle den Plot mit Datum auf der x- und Kumulativ auf der y-Achse
  # Separate und eingefärbte Linien pro Stadtteil
  ggplot(aes(x = Datum, y = Kumulativ, col = Stadtteil)) +
  # Zeichne Punkte ein
  geom_point() +
  # Zeichne Linien
  geom_line(show.legend = FALSE) +
  # Definiere Farbwerte
  scale_color_manual(values = farben) +
  # Definiere y-Achsenbeschriftung; verwendet HTML wegen plotly
  ylab("log₁₀(Kumulative Häufigkeit)") +
  # Definiere Plot design
  theme_light()

# Rufe ggplotly auf, um die Plotly Version zu erstellen
ggplotly(Verlauf)

```

Spalte {data-width = 200}
----------------------------------------------------------------------

### Hintergründe

**Airbnbs in Berlin**

Das erste Airbnb in Berlin öffnete 2009 im Stadtteil [Pankow](https://de.wikipedia.org/wiki/Berlin-Pankow) (siehe auch [Übersichtskarte](#page-1)). Von da an war ein rascher Anstieg zu verzeichnen. Bereits 6 Jahre später gab es in Berlin-Pankow alleine `r round(10**2.3)` Airbnbs. Mittlerweile ist diese Zahl auf rund `r round(10**3.2 / 100) * 100` angestiegen.

Das teuerste heute verfügbare Airbnb kostet dabei `r max(airbnb$Preis)` pro Nacht; für die meisten Leute nicht gerade ein Schnäppchen. Dabei handelt es sich um ein `r airbnb$Unterkunftsart[max(airbnb$Preis)]` im Stadtteil `r airbnb$Stadtteil[max(airbnb$Preis)]`.

Insgesammt wurden über die Jahre in Berlin `r as.integer(sum(airbnb$host_anzahl))` Gäste in Airbnbs empfangen.



Bewertungen der Airbnbs {.storyboard}
======================================================================


### Gesamtrating {data-commentary-width=300}

```{r}

## Erstelle das Histogramm der Gesamtratings

# Wähle die Rating_gesamt Variable zum Plotten aus
pg1 <- ggplot(airbnb, aes(Rating_gesamt)) +
  # Erstelle ein Histogramm mit Balkenbreite 1
  geom_histogram(binwidth = 1) +
  # Definiere die Achsenbeschriftungen
  labs(x = "Gesamtrating",
       y = "Häufigkeit") +
  # Definiere den Range der x-Achse von 0 bis 100
  coord_cartesian(xlim = c(0, 100)) +
  # Wähle ein Design für den Plot
  theme_light() +
  # Vergrössere die Achsenbeschriftungen
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  ) 

## Erstelle das Streudiagramm für den Zusammenhang von Preis und 
## Gesamtrating

# Wähle die Preis und Rating_gesamt Variablen zum Plotten aus und
# berechne den 10er Logarithmus von Preis
pg2 <- ggplot(airbnb, aes(x = log10(Preis), y = Rating_gesamt)) +
  # Erstelle ein Streudiagramm, mit zu 25% transparenten Punkten
  geom_point(alpha = .25) +
  # Definiere die Achsenbeschriftungen mit Subskript für 10
  labs(x = bquote("log"[10]*"(Preis)"),
       y = "Gesamtrating") +
  # Definiere den Range der y-Achse von 0 bis 100
  coord_cartesian(ylim = c(0, 100)) +
  # Wähle ein Design für den Plot
  theme_light() +
  # Vergrössere die Achsenbeschriftungen
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  )

## Plotte die Grafiken untereinander
pg1 / pg2

```


*** 

**Mittlere Gesamtratings**
```{r fig.width=3,fig.height=1.5, fig.align="center"}
# Berechne mittleres Gesamtrating und Runde auf eine Kommastelle
gesamtrating <- airbnb %>%
    pull(Rating_gesamt) %>% mean(na.rm = TRUE) %>%  round(1)

# Estelle den gauge mit dem gesamtrating Objekt
gauge(gesamtrating,
      # Setze Minimu und Maximum Werte
      min = 0, max = 100,
      # Definiere Farbwerte mit gaugeSectors
      gaugeSectors(
        # Grün, wenn der Wert zwischen 80 und 100 liegt
        success = c(80, 100),
        # Orange, wenn der Wert zwischen 50 un 79 liegt
        warning = c(50, 79),
        # Rot, wenn der Wert zwischen 0 und 49 liegt
        danger = c(0, 49)
        ))
```

Die Berliner Airbnbs scheinen allgemein in einem sehr guten Zustand zu sein. Zumindest lassen die hohen Gesamtratings darauf schliessen. Allerdings scheint es kaum einen Zusammenhang mit dem Preis zu geben, worüber sich Sparfüchse freuen dürften.




### Sauberkeit {data-commentary-width=300}

```{r}
# Erstelle das Histogramm der Sauberkeitsratings
ps1 <- ggplot(airbnb, aes(Rating_sauberkeit)) +
  geom_histogram(binwidth = 1) +
  labs(x = "Sauberkeitsrating",
       y = "Häufigkeit") +
  coord_cartesian(xlim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  ) 

# Erstelle das Streudiagramm für den Zusammenhang von Preis und 
# Sauberkeitsrating
ps2 <- ggplot(airbnb, aes(x = log10(Preis), y = Rating_sauberkeit)) +
  geom_point(alpha = .25) +
  labs(x = bquote("log"[10]*"(Preis)"),
       y = "Sauberkeitsrating") +
  coord_cartesian(ylim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  )

# Plotte die Grafiken untereinander
ps1 / ps2

```

*** 

**Mittlere Sauberkeitsratings**
```{r fig.width=3,fig.height=1.5, fig.align="center"}
# erstelle einen gauge der mittleren Sauberkeitsratings
sauberkeit <- airbnb %>%
    pull(Rating_sauberkeit) %>% mean(na.rm = TRUE) %>%  round(1)
gauge(sauberkeit, min = 0, max = 10, gaugeSectors(
  success = c(8, 10), warning = c(5, 7), danger = c(0, 4)
))
```


Auch beim Thema Sauberkeit gehen viele Hosts keine Kompromisse ein. Es scheint jedoch ein paar faule Eier zu geben. Immerhin, wer bereit ist über `r round(3**2.5 / 100) * 100` Euro pro Nacht auszugeben scheint auf der sicheren Seite zu sein.



### Lage {data-commentary-width=300}

```{r}
# Erstelle das Histogramm der Lageratings
pl1 <- ggplot(airbnb, aes(Rating_lage)) +
  geom_histogram(binwidth = 1) +
  labs(x = "Lagerating",
       y = "Häufigkeit") +
  coord_cartesian(xlim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  ) 

# Erstelle das Streudiagramm für den Zusammenhang von Preis und 
# Lageratings
pl2 <- ggplot(airbnb, aes(x = log10(Preis), y = Rating_lage)) +
  geom_point(alpha = .25) +
  labs(x = bquote("log"[10]*"(Preis)"),
       y = "Lagerating") +
  coord_cartesian(ylim = c(0, 10)) +
  theme_light() +
  theme(
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12)
  )

# Plotte die Grafiken untereinander
pl1 / pl2

```

*** 

**Mittlere Lageratings**
```{r fig.width=3,fig.height=1.5, fig.align="center"}
# erstelle einen gauge der mittleren Lageratings
lage <- airbnb %>%
    pull(Rating_lage) %>% mean(na.rm = TRUE) %>%  round(1)
gauge(lage, min = 0, max = 10, gaugeSectors(
  success = c(8, 10), warning = c(5, 7), danger = c(0, 4)
))
```

Verrückt; auch die Lageratings sind fast alle super. Entweder Berlin hat fast nur erstklassige Wohngebiete, viele der guten Wohnungen sind bei Airbnb vermietet, oder die Gäste sind sehr wohlwollend. Wir wissen es schlussendlich nicht (eine einfache Erklärung für die guten ratings könnte z.B. auch sein, dass gute Airbnbs einfach häufiger besucht werden).